Semantic service discovery supported by Large Language Models

Abstract

This doctoral dissertation focuses on revitalizing the vision of Service-Oriented Architecture (SOA) through the use of Large Language Models (LLMs). Despite the initial success of SOA, the implementation of universal service registries failed due to the "broken triangle" (the failure of standards like UDDI), inaccurate service discovery, and the neglect of non-functional characteristics. The research concentrates on RESTful services and aims to overcome the limitations of traditional Information Retrieval and Machine Learning techniques, which lack semantic depth or suffer from a lack of training data.Key ContributionsFunctional Aspect: A method was developed for the automatic generation of rich OpenAPI specifications from source code using LLMs.An innovative semantic annotation method was introduced using cross-domain ontologies, achieving exceptional accuracy. Two advanced matching algorithms were proposed: one combining strict and "relaxed" semantic matching (Action-Input-Output) and a second based entirely on LLM prompting, which provides justification for results and nearly ideal accuracy. Non-Functional Aspect: The thesis introduces a mechanism for assessing service maturity (based on the Richardson maturity model). Multiple LLMs are employed to identify quality issues and eliminate "hallucinations," creating a comprehensive non-functional profile. Conclusion Adopting the Design Science Research methodology, the work concludes with the creation of a prototype semantic registry. By combining automated specification generation with high matching accuracy, the dissertation demonstrates that Artificial Intelligence can make global service discovery practically feasible, bridging the gap between academic theory and industrial application.

Η παρούσα διδακτορική διατριβή πραγματεύεται την αναβίωση του οράματος της Υπηρεσιο-Κεντρικής Αρχιτεκτονικής (ΥΚΑ) μέσω της χρήσης Μεγάλων Γλωσσικών Μοντέλων (LLMs). Παρά την αρχική επιτυχία της ΥΚΑ, η υλοποίηση καθολικών μητρώων υπηρεσιών απέτυχε λόγω του «σπασμένου τριγώνου» (αποτυχία προτύπων όπως το UDDI), της ανακριβούς ανακάλυψης υπηρεσιών και της παραμέλησης των μη λειτουργικών χαρακτηριστικών. Η έρευνα εστιάζει στις RESTful υπηρεσίες και επιδιώκει να ξεπεράσει τους περιορισμούς των παραδοσιακών τεχνικών Ανάκτησης Πληροφοριών και Μηχανικής Μάθησης, οι οποίες στερούνται σημασιολογικού βάθους ή υποφέρουν από έλλειψη δεδομένων εκπαίδευσης. Κύριες ΣυνεισφορέςΛειτουργική Πλευρά: Αναπτύχθηκε μέθοδος αυτόματης παραγωγής πλούσιων προδιαγραφών OpenAPI από πηγαίο κώδικα με χρήση LLMs.Εισήχθη μια καινοτόμος μέθοδος σημασιολογικής επισημείωσης (annotation) με τη χρήση δια-τομεακών οντολογιών, επιτυγχάνοντας εξαιρετική ακρίβεια. Προτάθηκαν δύο προηγμένοι αλγόριθμοι αντιστοίχισης: ένας που συνδυάζει αυστηρή και «χαλαρή» σημασιολογική αντιστοίχιση (Δράση-Είσοδος-Έξοδος) και ένας δεύτερος που βασίζεται αποκλειστικά σε LLM prompting, ο οποίος προσφέρει αιτιολόγηση των αποτελεσμάτων και σχεδόν ιδανική ακρίβεια. Μη Λειτουργική Πλευρά: Η διατριβή εισάγει έναν μηχανισμό αξιολόγησης της ωριμότητας των υπηρεσιών (βάσει του μοντέλου Richardson). Χρησιμοποιούνται πολλαπλά LLMs για τον εντοπισμό ποιοτικών ζητημάτων και την αφαίρεση «ψευδαισθήσεων» (hallucinations), δημιουργώντας ένα ολοκληρωμένο μη λειτουργικό προφίλ. Συμπέρασμα Η εργασία υιοθετεί τη μεθοδολογία Design Science Research, καταλήγοντας στη δημιουργία ενός πρότυπου σημασιολογικού μητρώου. Συνδυάζοντας την αυτοματοποιημένη παραγωγή προδιαγραφών με την υψηλή ακρίβεια στην αντιστοίχιση, η διατριβή αποδεικνύει ότι η Τεχνητή Νοημοσύνη μπορεί να καταστήσει την παγκόσμια ανακάλυψη υπηρεσιών πρακτικά εφικτή, γεφυρώνοντας το χάσμα μεταξύ ακαδημαϊκής θεωρίας και βιομηχανικής εφαρμογής.